Google hat es endlich schriftlich festgehalten. Nach einem Jahr, in dem Agenturen auf Rätselraten gebaute „AI-Mode-Optimierungspakete" verkauften, hat Google einen offiziellen Leitfaden dazu veröffentlicht, wie Inhalte in AI Overviews und AI Mode erscheinen — und er demontiert in aller Stille die Hälfte der verkauften Ratschläge, während er einige Hebel bestätigt, die die meisten Teams zu wenig nutzen. Wenn Sie organisches Wachstum oder einen E-Commerce-Katalog verantworten, ist das das Dokument, an dem sich Ihre Roadmap für 2026 messen lassen muss.
Bei GEOly AI verfolgen wir täglich, wie AI Mode Marken zitiert und empfiehlt. Wir haben den Leitfaden deshalb so gelesen, wie Praktiker es sollten: nicht „Was sagt Google?", sondern „Was heißt das für das, was ich ab Montag anders machen sollte?" Hier ist diese Lesart.
Die wichtigsten Erkenntnisse
- AI Overviews und AI Mode rufen aus demselben Search-Index mit denselben Ranking- und Qualitätssystemen ab. Es gibt keinen separaten AI-Algorithmus, für den man optimieren könnte — gutes Ranking bleibt die Eintrittskarte.
- Das Retrieval läuft über query fan-out: Ihre Seite wird für verborgene Sub-Queries abgerufen, nicht nur für die sichtbare Frage. Die Unterfragen eines Themas abzudecken schlägt das Wiederholen eines einzelnen Keywords.
- Google bestätigt ausdrücklich, llms.txt zu ignorieren — die Datei „hilft weder noch schadet sie." Dort ausgegebenes Budget ist verschwendetes Budget.
- Die Don't-Liste ist pointiert: Seiten nicht in Snippet-Köder zerstückeln, Inhalte nicht „für AI" umschreiben, keinen unauthentischen Erwähnungen hinterherjagen.
- Für Händler ist der unterschätzte Hebel die Feed-Qualität: Merchant-Center-Produktdaten (Preis, Verfügbarkeit, Bilder, Attribute) speisen die AI-Shopping-Oberflächen direkt — dieselbe Datenschicht, die andernorts über die Eignung für Agentic Checkout entscheidet.
Wie AI Mode tatsächlich Quellen auswählt
Der Leitfaden beschreibt eine Retrieval-Augmented-Pipeline. Ein Nutzer stellt eine Frage; das Modell startet query fan-out — mehrere verborgene Sub-Queries, die Facetten der Frage erkunden (diese Schicht haben wir in unserem Leitfaden zu Grounding Queries im Detail kartiert); das Retrieval zieht Kandidaten aus dem Standard-Search-Index, gerankt von den Standard-Systemen; bei Shopping-Intents kommen Merchant-Center-Feeds und Business-Profile-Daten in den Pool; das Modell synthetisiert eine Antwort mit Zitaten — „Supporting Links", ausgewählt, um konkrete Aussagen zu belegen.
